JdS2012


 English   -  Français  

Résumé de communication



Résumé 215 :

Modélisation conjointe de données longitudinales et de temps d'événement : Prédictions dynamiques
SENE, Mbéry ; PROUST-LIMA, Cécile
INSERM U897 Bordeaux France

La prédiction d'un événement clinique à l'aide d'outils pronostiques est une question centrale en oncologie. On souhaite par exemple prédire le risque de rechute clinique après un premier traitement du cancer. La collecte au cours du suivi des patients de données répétées de biomarqueurs permet aujourd'hui de proposer des outils prédictifs dynamiques, construits à partir de modèles conjoints pour les données répétées du biomarqueur et le temps jusqu'à l'événement d'intérêt. Ces outils dynamiques ont l'avantage de prendre en compte la trajectoire post-diagnostic du marqueur en plus de l'information au diagnostic et de pouvoir être mis à jour à chaque nouvelle mesure. Les modèles conjoints consistent à combiner un modèle linéaire mixte et un modèle de survie, et à lier ces deux processus par une structure latente. Deux approches existent, les modèles conjoints à classes latentes et les modèles conjoints à effets aléatoires partagés. L'objectif de ce travail est de présenter et comparer ces deux approches dans le cadre de la prédiction dynamique, en particulier, la prédiction d'une rechute clinique de cancer de la prostate à partir des données répétées du biomarqueur de progression de ce cancer, le PSA. Appliqué sur des données poolées de trois cohortes (environ 2000 sujets), nous montrons que le modèle à classes latentes donne un bien meilleur ajustement aux données (en terme de BIC) que le modèle conjoint à effets aléatoires partagés, et présente de meilleures performances prédictives en terme de "Brier score" et de cross-entropie pronostique qui sont deux mesures de la qualité des prédictions.